论文部分内容阅读
摘要：在对旋转机械核心零部件的有效故障特征信息提取时，EMD方法容易出现模态混叠的问题，本文引入EEMD方法进行算法优化，通过将白噪声引入到原型号当中补足了缺少的尺度，有效的弥补了EMD的不足之处，从抑制模态混叠发生开始，通过对信号多次添加白噪声，得出的多组IMF分量，再将其取均值最后得到的IMF为最终分量，把这个IMF定位真实的成分，使它更具有典型的物理意义，从而有效的可消除模态混叠这一影响。
关键词：EEMD 旋转机械 故障诊断 特征提取
0 前言
现在几乎所有的工厂中都在应用旋转机械来完成各种工作，因此旋转机械设备的安全和保障问题就变得极为重要。目前旋转机械故障的检测主要是基于对其核心部件振动信号的采集和处理分析进行实时监控和保障的。
目前，国内外一些学者基于EMD对旋转机械故障诊断进行了大量研究[1]。章翔峰利用Vold-Kalman方法对各种转速下的转速和啮合频率的阶比分量进行特征提取，通过计算转两种频率分量的谱峭度，实现对齿轮早期故障的有效诊断[1];向玲利用改进经验小波分解方法对齿轮故障信号进行分解处理，并利用快速谱峭度对含有丰富故障特征信息分量进行滤波处理，并进行包络谱分析，实现对齿轮故障的有效诊断。
但上述传统谱峭度方法的缺陷为：针对复合故障，现有以谱峭度为核心的特征提取方法无法同时分离由轴承和齿轮故障激起的高频共振带;如果存在重度高斯和非高斯白噪声影响，谱峭度无法真实展现故障特征信息。
由于EMD容易出现模态混叠的状态，为了消除模态混叠这一影响，EEMD[2]便被探索发掘出来了，白噪声介入到原型号当中补足了缺少的尺度，有效的弥补了EMD的不足之处，从抑制模态混叠发生开始，就对信号多次加入白噪声，得出的多组IMF分量，再将其取均值最后得到的IMF为最终分量，把这个IMF定位真实的成分，使它更具有典型的物理意义。
本文重点介绍EEMD方法对轴承部件的丰富故障特征信息进行提取研究。通过对比分析仿真和實测齿轮断齿故障振动信号，结果表明该方法可有效地提取丰富轴承部件的故障特征信息。
2 EEMD的算法步骤
大多情况，信号和噪声组成了所有的被检测数据，
（2-1）
这里面，定义x（t）是分解所需要的的数据，而真实的信号和一些干扰信号组成了这些数据，它们分别定义为s（t）、n（t）。
先对一个量进行多次实验并将结果集中起来，为了得到更具有说服力的结果，对这些结果做一个平均处理，把随机白噪声加入到x（t）中，从第i次观测：
（2-2）
1）在x（t）中加入白噪声，得到了信号 ;
2）由上文提出的方法步骤将 分解;
3）在得到真实信号之前的每一次处理都要加入不同的白噪声，反复的重复1）和2）;
4）对所得到的结果做一个平均处理：
（2-3）
3 数值仿真算例
3.1仿真信号
将自行设计的仿真信号进行分析：
x（t）=x1（t）+x2（t） （2-4）
x（t）=10sin（20πt）+10sin（160πt） （2-5）
在以上公式中x1（t）和x2（t）各自是以20Hz为周期和80Hz为周期的正弦信号。采样频率是6000Hz，采样点数为1000个。
其中原信号x（t），正弦信号x1（t），正弦信号x2（t）在以下的图例中得以进一步展示。x（t）、x1（t）、x2（t）如图2.1所示：
从复合信号中分离提取出两个周期分别是10Hz和80Hz的正弦信号，这就是此次仿真的目标。
3.1基于EEMD的模拟故障信号分析
把得到的仿真复合信号进行EEMD分解，便可以得出由9个模态分量和1个剩余分量组成的分解结果。如图2.2-2.3所示：
在两组信号图中信号相互对比我们可以从中得出一些发现，IMF6和x1（t）幅值形态特征有着很好的相似程度;IMF5和x2（t）时域形态特征同时也是具备着很高的相似程度;也分解出了例如IMF4和IMF3这样的模态分量，在这两个分量的波形上可以看出一些峰值和其他更为复杂的信号被清晰的分解出来。
2.4本章小结
本文基于旋转机械故障信号，利用EEMD对其进行了故障特征提取，通过对仿真信号和实测断齿故障振动信号分析，得出如下结论：
1）EEMD的分解具备多样性的特征;
2）EEMD对于多模态信号进行故障诊信号的分解时更具有效性;
3）EEMD是EMD的优化算法
参考文献
[1] 章翔峰， 孙文磊. 谱峭度和Vold-kalman阶比跟踪在风电机组齿轮箱故障诊断中的应用[J]. 机床与液压， 2018， 46（5）：138-142.
[2] 郑直， 姜万录， 胡浩松，等. 基于 EEMD 形态谱和 KFCM 聚类集成的滚动轴承故障诊断方法研究[J]. 振动工程学报， 2015（2）：324-330.
关键词：EEMD 旋转机械 故障诊断 特征提取
0 前言
现在几乎所有的工厂中都在应用旋转机械来完成各种工作，因此旋转机械设备的安全和保障问题就变得极为重要。目前旋转机械故障的检测主要是基于对其核心部件振动信号的采集和处理分析进行实时监控和保障的。
目前，国内外一些学者基于EMD对旋转机械故障诊断进行了大量研究[1]。章翔峰利用Vold-Kalman方法对各种转速下的转速和啮合频率的阶比分量进行特征提取，通过计算转两种频率分量的谱峭度，实现对齿轮早期故障的有效诊断[1];向玲利用改进经验小波分解方法对齿轮故障信号进行分解处理，并利用快速谱峭度对含有丰富故障特征信息分量进行滤波处理，并进行包络谱分析，实现对齿轮故障的有效诊断。
但上述传统谱峭度方法的缺陷为：针对复合故障，现有以谱峭度为核心的特征提取方法无法同时分离由轴承和齿轮故障激起的高频共振带;如果存在重度高斯和非高斯白噪声影响，谱峭度无法真实展现故障特征信息。
由于EMD容易出现模态混叠的状态，为了消除模态混叠这一影响，EEMD[2]便被探索发掘出来了，白噪声介入到原型号当中补足了缺少的尺度，有效的弥补了EMD的不足之处，从抑制模态混叠发生开始，就对信号多次加入白噪声，得出的多组IMF分量，再将其取均值最后得到的IMF为最终分量，把这个IMF定位真实的成分，使它更具有典型的物理意义。
本文重点介绍EEMD方法对轴承部件的丰富故障特征信息进行提取研究。通过对比分析仿真和實测齿轮断齿故障振动信号，结果表明该方法可有效地提取丰富轴承部件的故障特征信息。
2 EEMD的算法步骤
大多情况，信号和噪声组成了所有的被检测数据，
（2-1）
这里面，定义x（t）是分解所需要的的数据，而真实的信号和一些干扰信号组成了这些数据，它们分别定义为s（t）、n（t）。
先对一个量进行多次实验并将结果集中起来，为了得到更具有说服力的结果，对这些结果做一个平均处理，把随机白噪声加入到x（t）中，从第i次观测：
（2-2）
1）在x（t）中加入白噪声，得到了信号 ;
2）由上文提出的方法步骤将 分解;
3）在得到真实信号之前的每一次处理都要加入不同的白噪声，反复的重复1）和2）;
4）对所得到的结果做一个平均处理：
（2-3）
3 数值仿真算例
3.1仿真信号
将自行设计的仿真信号进行分析：
x（t）=x1（t）+x2（t） （2-4）
x（t）=10sin（20πt）+10sin（160πt） （2-5）
在以上公式中x1（t）和x2（t）各自是以20Hz为周期和80Hz为周期的正弦信号。采样频率是6000Hz，采样点数为1000个。
其中原信号x（t），正弦信号x1（t），正弦信号x2（t）在以下的图例中得以进一步展示。x（t）、x1（t）、x2（t）如图2.1所示：
从复合信号中分离提取出两个周期分别是10Hz和80Hz的正弦信号，这就是此次仿真的目标。
3.1基于EEMD的模拟故障信号分析
把得到的仿真复合信号进行EEMD分解，便可以得出由9个模态分量和1个剩余分量组成的分解结果。如图2.2-2.3所示：
在两组信号图中信号相互对比我们可以从中得出一些发现，IMF6和x1（t）幅值形态特征有着很好的相似程度;IMF5和x2（t）时域形态特征同时也是具备着很高的相似程度;也分解出了例如IMF4和IMF3这样的模态分量，在这两个分量的波形上可以看出一些峰值和其他更为复杂的信号被清晰的分解出来。
2.4本章小结
本文基于旋转机械故障信号，利用EEMD对其进行了故障特征提取，通过对仿真信号和实测断齿故障振动信号分析，得出如下结论：
1）EEMD的分解具备多样性的特征;
2）EEMD对于多模态信号进行故障诊信号的分解时更具有效性;
3）EEMD是EMD的优化算法
参考文献
[1] 章翔峰， 孙文磊. 谱峭度和Vold-kalman阶比跟踪在风电机组齿轮箱故障诊断中的应用[J]. 机床与液压， 2018， 46（5）：138-142.
[2] 郑直， 姜万录， 胡浩松，等. 基于 EEMD 形态谱和 KFCM 聚类集成的滚动轴承故障诊断方法研究[J]. 振动工程学报， 2015（2）：324-330.